1. 测量不确定度评定总览
在计量、检测与实验工作中，我们几乎每天都会得到一个测量结果，例如“某圆柱体直径 25.003 mm”“某标准电阻阻值 100.012 Ω”。但一个孤立的数值并不能说明测量有多可靠。测量不确定度评定要回答的核心问题是：这个测量结果有多可信？它的分散性有多大？在给定置信水平下，真值可能落在什么区间内？
本节作为全课程的总览，先建立一张“全局地图”：从测量模型出发，经过不确定度来源识别、标准不确定度评定、合成、扩展，最终形成不确定度报告。后续各章将逐一展开其中的每个环节。
一、GUM 框架的整体逻辑
国际计量局（BIPM）等七个国际组织联合发布的《测量不确定度表示指南》（GUM）是当前不确定度评定的通用框架。它的基本思想可以概括为一条主线：建立测量模型 → 识别不确定度来源 → 量化各分量的标准不确定度 → 合成标准不确定度 → 确定扩展不确定度 → 形成报告。
这条主线背后有一个关键前提：测量结果通常不是直接读出的，而是由若干输入量通过一个函数关系计算得到的。这个函数关系就是测量模型。例如，用千分尺测量圆柱直径，若考虑温度修正，模型可写为：
d = d_obs × [1 - α × (t - 20)]
其中 d_obs 是千分尺读数，α 是材料线膨胀系数，t 是测量时的环境温度。模型一旦确定，不确定度评定就转化为：分析 d_obs、α、t 各自的不确定度如何通过这个函数传播到输出量 d。
二、两类评定方法：A 类与 B 类
GUM 将标准不确定度的评定方法分为 A 类和 B 类，二者没有本质区别，只是获取信息的途径不同。
- A 类评定：基于对多次重复测量数据的统计分析。例如对同一被测件重复测量 10 次，用贝塞尔公式计算实验标准差 s，再除以 √n 得到平均值的标准不确定度。
- B 类评定：基于已有信息、校准证书、说明书、经验或假设的概率分布进行评定。例如校准证书给出“U = 0.002 mm，k = 2”，则标准不确定度为 0.002/2 = 0.001 mm。
两类评定最终都统一为标准不确定度 u，量纲与被测量一致，这样才能进入下一步合成。
三、从分量到合成：传播律的作用
当各输入量相互独立时，合成标准不确定度按下式计算：
u_c(y) = √[ Σ (∂f/∂x_i)² × u²(x_i) ]
其中 ∂f/∂x_i 称为灵敏系数，表示输入量 x_i 变化一个单位时输出量 y 的变化量。灵敏系数的绝对值越大，该分量的不确定度对合成结果的贡献越显著。若输入量之间存在相关性，还需引入协方差项，这部分将在后续章节专门讨论。
合成得到 u_c(y) 后，通常再乘以包含因子 k 得到扩展不确定度 U = k × u_c(y)。在计量领域，k = 2 对应约 95% 的置信水平，是最常用的约定。
四、完整流程的可视化
下图把上述流程组织为一条从输入到报告的链路，同时标出每个环节的关键输出物。图中左侧是输入信息，中间是评定与计算环节，右侧是最终报告要素。
五、实战任务拆解
把上述流程落到一次具体的测量任务中，可以拆成以下可执行动作。以“用千分尺测量圆柱直径并给出不确定度报告”为例：
- 写模型：确定 d = d_obs × [1 − α(t − 20)]，明确 d_obs、α、t 三个输入量。
- 列来源：千分尺示值误差、测量重复性、温度测量误差、线膨胀系数本身的不确定度、被测件与千分尺温差等。
- 定类型：重复性用 A 类；千分尺校准证书、温度计证书、α 的材料数据用 B 类。
- 算分量：对每个来源给出标准不确定度 u(xᵢ)，并注明分布类型（正态、均匀、三角等）。
- 求灵敏系数：对模型求偏导，得到 c_d_obs ≈ 1，c_α ≈ −d_obs(t−20)，c_t ≈ −d_obs·α。
- 合成与扩展：计算 u_c(d)，取 k = 2 得 U，写出报告。
六、常见误区与判断依据
初学者最容易犯的错误有三类。第一，把“误差”和“不确定度”混为一谈：误差是测量结果与真值之差，是一个客观存在的量；不确定度是对误差可能范围的量化估计，是一个区间。第二，只做 A 类评定，忽略 B 类来源，导致合成结果偏小。第三，忘记检查各输入量是否相关，直接套用独立合成公式。
判断评定是否合理的实用标准是：不确定度分量表是否覆盖了所有显著来源；合成结果是否与测量系统的实际分辨力和重复性量级相符；扩展不确定度的有效数字是否与测量结果末位对齐。例如测量结果写成 25.003 mm，U = 0.004 mm（k = 2），则报告为 (25.003 ± 0.004) mm，k = 2。若 U 算出来是 0.0003 mm，而千分尺分辨力只有 0.001 mm，就说明评定中遗漏了分辨力或重复性分量。